Cadenas o Procesos de Markov

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de

que ocurra un evento depende del evento inmediato anterior. En efecto, las
cadenas de este tipo tienen memoria, "Recuerdan" el último evento y esto
condiciona las posibilidades de los eventos futuros. Esta dependencia del
evento anterior distingue a las cadenas de Markov de las series de eventos
independientes, como tirar una moneda al aire o un dado. En los negocios, las
cadenas de Markov se han utilizado para analizar los patrones de compra,los
deudores morosos, para planear las necesidades de personal y para analizar el
reemplazo de equipo. El análisis de Markov, llamado así en honor de un
matemático ruso que desarrollo el método en 1907, permite encontrar la
probabilidad de que un sistema se encuentre en un estado en particular en un
momento dado. Algo más importante aún, es que permite encontrar el
promedio a la larga o las probabilidades de estado estable para cada estado.
Con esta información se puede predecir el comportamiento del sistema a través
del tiempo. La tarea más difícil es reconocer cuándo puede aplicarse. La
característica más importante que hay que buscar en la memoria de un evento
a otro.
Estados
Los estados son la caracterización de la situación en que se halla el sistema en
un instante dado, de dicha caracterización puede ser tanto cuantitativa como
cualitativa.
El estado de un sistema en un instante t es una variable cuyos valores solo
pueden pertenecer al conjunto de estaos en el sistema. El sistema modelizado
por la cadena, por lo tanto, es una variable que cambia con el valor del tiempo,
cambio al que llamamos transición.
Matriz de transición
Una matriz de transición es el arreglo numérico donde se encuentran las
probabilidades de un estado a otro. Dicha matriz es cuadrada con tantas filas y
columnas como estados que tiene el sistema, y los elementos de matriz
representan la probabilidad de que el estado próximo sea el correspondiente a
la columna si el estado actual es el correspondiente a la fila. La matriz debe
cumplir con ciertos requisitos: La suma de las probabilidades de los estados
debe ser igual a 1, la matriz de transición debe ser cuadrada y las
probabilidades de transición deben estar entre 0 y 1.

Distribución actual (Vector Po): Es la manera en la que se distribuyen las

probabilidades de los estados en un periodo inicial, (periodo 0). Esta
información te permitirá averiguar cual será la distribución en periodos
posteriores.
Estado estable: Se puede decir que el estado estable es la distribución de
probabilidades que en cierto punto quedará fija para el vector P y no presentará
cambios en periodos posteriores.

Ejemplo

En un país como Colombia existen 3 operadores principales de telefonía móvil

como lo son tigo, Comcel y movistar (estados).

Los porcentajes actuales que tiene cada operador en el mercado actual son
para tigo 0.4 para Comcel 0.25 y para movistar 0.35. (estado inicial)
Se tiene la siguiente información un usuario actualmente de tigo tiene una
probabilidad de permanecer en tigo de 0.60, de pasar a Comcel 0.2 y de
pasarse a movistar de 0.2; si en la actualidad el usuario es cliente de Comcel
tiene una probabilidad de mantenerse en Comcel del 0.5 de que esta persona
se cambie a tigo 0.3 y que se pase a movistar de 0.2; si el usuario es cliente
en la actualidad de movistar la probabilidad que permanezca en movistar es de
0.4 de que se cambie a tigo de 0.3 y a Comcel de 0.3.
Partiendo de esta información podemos elaborar la matriz de transición.

La suma de las probabilidades de cada estado en este caso operador deben

ser iguales a 1

Po= (0.4 0.25 0.35) → estado inicial

También se puede mostrar la transición por un método grafico

Ahora procedemos a encontrar los estados en los siguientes pasos o tiempos,

esto se realiza multiplicando la matriz de transición por el estado inicial y asi
sucesivamente pero multiplicando por el estado inmediatamente anterior.

Como podemos ver la variación en el periodo 4 al 5 es muy mínima casi

insignificante podemos decir que ya se a llegado al vector o estado estable.
Ej.2

En un pueblo, al 90% de los días soleados le siguen días soleados, y al 80% de

los días nublados le siguen días nublados. Con esta información modelar el

clima del pueblo como una cadena de Markov.

SOLUCIÓN:

Se trata de una cadena de Markov con dos estados {Soleado, Nublado} que
para

abreviar representaremos por {S, N}, siendo la matriz de probabilidades de

transición

P= (0.9 0.1)

(0.2 0.8)